Note :
Ce livre est un guide pratique très apprécié sur l'apprentissage par renforcement profond, mêlant théorie et exemples de code pratiques. De nombreux lecteurs apprécient sa clarté, son organisation et la capacité de l'auteur à rendre accessibles des concepts complexes. Cependant, certaines critiques font état d'un manque de profondeur dans les explications théoriques et de quelques imprécisions dans les définitions.
Avantages:⬤ Facilement accessible et bien écrit, il s'adresse aussi bien aux débutants qu'aux personnes ayant des connaissances préalables dans le domaine.
⬤ Des exemples de code détaillés qui améliorent la compréhension des concepts.
⬤ Excellent pour l'application pratique avec des bibliothèques et des techniques récentes.
⬤ Fournit des explications claires sur les concepts théoriques.
⬤ Hautement recommandé à toute personne intéressée par l'apprentissage par renforcement.
⬤ Certains lecteurs notent des inexactitudes, telles que la définition des tenseurs.
⬤ Ne va pas assez loin dans la théorie mathématique pour ceux qui recherchent des présentations approfondies.
⬤ Nécessite des ressources supplémentaires pour bien comprendre certains concepts.
⬤ Certains exemples peuvent prêter à confusion et nécessiter des recherches supplémentaires.
(basé sur 44 avis de lecteurs)
Deep Reinforcement Learning Hands-On: Apply modern RL methods, with deep Q-networks, value iteration, policy gradients, TRPO, AlphaGo Zero and more
Note de l'éditeur : Cette édition de 2018 est obsolète et n'est compatible avec aucune des mises à jour les plus récentes des bibliothèques Python. Une nouvelle troisième édition, mise à jour pour 2020 avec six nouveaux chapitres qui incluent les méthodes multi-agents, l'optimisation discrète, le RL en robotique et les techniques d'exploration avancées est maintenant disponible.
Ce guide pratique vous apprendra comment l'apprentissage profond (DL) peut être utilisé pour résoudre des problèmes complexes du monde réel.
Caractéristiques principales
⬤ Explorer l'apprentissage par renforcement (RL), depuis les premiers principes jusqu'aux algorithmes les plus récents.
⬤ Évaluez les méthodes d'apprentissage par renforcement les plus en vue, notamment l'itération de valeur, les réseaux Q profonds, les gradients de politique, TRPO, PPO, DDPG, D4PG, les stratégies d'évolution et les algorithmes génétiques.
⬤ Les méthodes de RL les plus connues, y compris les réseaux Q profonds, les gradients de politique, TRPO, PPO, DDPG, D4PG, les stratégies d'évolution et les algorithmes génétiques.
Description du livre
Deep Reinforcement Learning Hands-On est un guide complet des derniers outils d'apprentissage par renforcement et de leurs limites. Vous évaluerez des méthodes telles que l'entropie croisée et les gradients de politique, avant de les appliquer à des environnements réels. Vous vous attaquerez à la fois aux jeux virtuels d'Atari et aux jeux familiaux favoris tels que Connect4.
Ce livre propose une introduction aux bases du RL, vous donnant le savoir-faire nécessaire pour coder des agents d'apprentissage intelligents afin de prendre en charge un formidable éventail de tâches pratiques. Découvrez comment mettre en œuvre l'apprentissage Q dans des environnements de type " grid world ", apprenez à votre agent à acheter et à négocier des actions, et découvrez comment les modèles de langage naturel sont à l'origine de l'essor des chatbots.
Ce que vous apprendrez
⬤ Comprendre le contexte DL de RL et implémenter des modèles DL complexes.
⬤ Comprendre le contexte de la DL et mettre en œuvre des modèles DL complexes.
⬤ Évaluer les méthodes de RL, y compris l'entropie croisée, DQN, Actor-Critic, TRPO, PPO, DDPG, D4PG et d'autres.
⬤ Découvrez comment traiter les espaces d'action discrets et continus dans divers environnements.
⬤ Vaincre les jeux d'arcade Atari en utilisant la méthode d'itération de la valeur.
⬤ Créez votre propre environnement OpenAI Gym pour former un agent boursier.
⬤ Apprenez à votre agent à jouer à Connect4 en utilisant AlphaGo Zero.
⬤ Explorer les toutes dernières recherches en RL profond sur des sujets tels que les chatbots pilotés par l'IA.
A qui s'adresse ce livre ?
Une certaine maîtrise de Python est supposée. Les approches de base de l'apprentissage profond devraient être familières aux lecteurs et une certaine expérience pratique de l'apprentissage profond sera utile. Ce livre est une introduction à l'apprentissage par renforcement (RL) et ne nécessite aucune expérience en RL.
© Book1 Group - tous droits réservés.
Le contenu de ce site ne peut être copié ou utilisé, en tout ou en partie, sans l'autorisation écrite du propriétaire.
Dernière modification: 2024.11.14 07:32 (GMT)